Target sta trasformando la pagina di dettaglio prodotto da destinazione statica a interfaccia capace di adattarsi al singolo cliente. Brad Thompson, Senior Vice President of Technology del gruppo, ha illustrato come il retailer stia riprogettando la PDP di un’attività ecommerce da 30 miliardi di dollari: contenuti, disposizione e raccomandazioni possono cambiare in tempo reale in base alla persona che visita la pagina.
Il primo passaggio è stato rendere le modifiche alla pagina una questione di configurazione, anziché di codice. I responsabili commerciali possono così sperimentare varianti, come l’inserimento di un secondo carosello di suggerimenti, senza attendere un ciclo di sviluppo. L’AI estende il modello assemblando la PDP al runtime sulla base di acquisti precedenti, cronologia di navigazione e intenzione: chi interagisce spesso con i video può trovarli in primo piano, mentre altri utenti vedranno più proposte per completare un look.
L’infrastruttura deriva da un percorso iniziato nelle prime fasi di ChatGPT. Target aveva riconosciuto rapidamente il potenziale dei grandi modelli linguistici, ma il rischio di allucinazioni aveva suggerito un’adozione circoscritta. I primi casi d’uso hanno riguardato la sintesi di valutazioni e recensioni sul sito e alcuni processi aziendali interni: attività selezionate per il rischio contenuto e per la possibilità di accumulare esperienza, più che per produrre un impatto immediato.
La maturazione dell’ecosistema ha progressivamente ampliato il raggio d’azione. Il protocollo MCP ha offerto un modo coerente per esporre i servizi digitali del retailer ai modelli linguistici, mentre ACP e UCP, associati rispettivamente a OpenAI e Google, hanno aperto un percorso verso transazioni gestite in forma agentica. Target ha inoltre realizzato un’applicazione interna a ChatGPT, presentata da Thompson non come iniziativa orientata subito ai ricavi, ma come occasione per collaborare con un fornitore di modelli di frontiera e formare gli ingegneri sull’impiego di MCP su larga scala.
Alla base c’è il passaggio dalle ricerche per parole chiave a richieste formulate come problemi ricchi di vincoli. Un genitore può chiedere pranzi per tre figli impegnati in un campo di nuoto, con meno di venti dollari al giorno e un’allergia da considerare. Una singola conversazione può alimentare una memoria del nucleo familiare, includendo restrizioni alimentari e interessi, utilizzabile mesi dopo per suggerire, per esempio, articoli da nuoto in promozione.
Una parte di queste interazioni avviene fuori dalle proprietà digitali del retailer, attraverso ChatGPT, Gemini o Claude. Thompson ha osservato che OpenAI ha ridimensionato la possibilità di completare le transazioni direttamente nella chat, rimandando gli utenti al sito del venditore. La PDP diventa quindi il punto di arrivo di un’intenzione formatasi altrove, con una dipendenza crescente dalla qualità del feed di prodotto: dati poco accurati possono produrre uno scarto tra la richiesta iniziale e la pagina effettivamente mostrata.
L’AI sul sito introduce anche un problema economico e prestazionale. Su scala Target, un’esperienza agentica può comportare miliardi di interazioni con un modello linguistico, ciascuna associata a costi e latenza, mentre la ricerca tradizionale ha abituato gli utenti a risposte inferiori al secondo. Per controllare il compromesso, l’azienda ha costruito un sistema interno che valuta ogni modifica su circa 500 prompt di test. Un secondo modello confronta la qualità delle risposte con quelle della versione in produzione, monitorando anche latenza e consumo di token; se una soglia viene superata, la nuova build non viene distribuita.
Il metodo trasferisce pratiche dell’ingegneria del software a componenti meno prevedibili del codice tradizionale. Le indicazioni finali di Thompson sono concrete: correggere e arricchire i dati di prodotto, quindi spingere i team a distribuire MCP in modo esteso. La personalizzazione smette così di essere una scelta grafica fissata in anticipo e diventa una decisione operativa, ricostruita per ogni visitatore nel momento in cui la pagina viene caricata.